SD 21 Estadistica

Serie Didáctica Nro.
21
Facultad de Ciencias Forestales

UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO
CÁTEDRA DE
ESTADÍSTICA O. F.
ANÁLISIS DE LA VARIANCIA
EN EXPERIMENTOS FACTORIALES
Cátedra de Est
adística Forest
al
Prof. Titular Celia G. de BENITEZ

Prof. Asoc. Marta G. PECE
J.T.P. Margarita J. de GALINDEZ
Febrero 2010
Experimentos Factoriales Febrero 2010
Apuntes de la Cátedra de Estadística
INDICE
EXPERIMENTOS FACTORIALES………………………………………………………2
CONCEPTOS BÁSICOS……………………………………………………………………2
INTERACCIÓN...…………………………………………………………………………...4
VENTAJAS Y DESVENTAJAS……………………………………………………………4
EFECTOS PRINCIPALES. EFECTOS SIMPLES……………………………………….5
EFECTOS DE LA INTERACCIÓN……………………………………………………….6
AUSENCIA DE INTERACCIÓN………………………………………………………….7
OTRA FORMA DE INTERACCIÓN……………………………………………………...8
MODELO ESTADÍSTICO……………………………………………………………...…..9
EJEMPLO……………………………………………………………………..……………10
ESPERANZA DE LOS CUADRADOS MEDIOS……………………………………….13
COMPARACIONES MÚLTIPLES…………………………………………………...….14
RESOLUCIÓN DE UN EJEMPLO EMPLEANDO DIFERENTES SOFTWARE
CON INFOSTAT……………………………………………………..…………….16
CON SPSS…………………………………………………………………………..24
CON SAS……………………………………………………………………………40
1
A nuestros alumnos
Estos apuntes han sido preparados para facilitar la comprensión de los experimentos
factoriales y su procesamiento mediante la utilización de tres sofwares estadísticos:
INFOSTAT, SPSS y SAS. Es nuestro deseo, que sea éste un aporte para el aprendizaje y
análisis de estos experimentes. El que presentamos a continuación es una versión
actualizada y aumentada de la Serie Didáctica Nº 21 de la Facultad de Ciencias
Forestales, titulada “Análisis de la Variancia en Experimentos Factoriales” y que fuera
publicada por primera vez en el año 2006.
Ing. Celia Gaillard de Benítez

Dra. Marta Graciela Pece
MSc Margarita Juárez de Galíndez
Febrero de 2010
EXPERIMENTOS FACTORIALES
Introducción
Muchas veces, en la práctica forestal es de interés conocer la influencia de dos o más factores
sobre una variable respuesta. Por ejemplo en el estudio de comportamientos de varios clones
de álamos podría ser oportuno estudiar simultáneamente la influencia del distanciamiento
sobre la variable respuesta, por ejemplo, crecimiento en volumen por hectárea y año. En
casos como el mencionado lo adecuado es realizar un experimento factorial: esto significa
que cada tratamiento estará definido por la combinación de los factores: clon y
distanciamientos probados.
Por lo tanto, se puede definir a los experimentos factoriales como aquellos en los que se
comparan o estudian simultáneamente dos o más factores principales, incluyendo los
diferentes niveles o modalidades de cada uno.
El Anova en experimentos factoriales constituye una técnica estadística para analizar el
efecto de dos ó más variables independientes (factores) sobre una variable respuesta. Hasta el
momento se ha estudiado el efecto de un factor sobre la variable respuesta, pero en muchas
situaciones prácticas es necesario investigar el efecto de varios factores.
Como en estos experimentos los tratamientos se forman combinando cada nivel de un factor
con cada uno de los niveles del otro (o de los otros, si hubiere más de dos), este tipo de
experimento permite además evaluar los efectos de las interacciones. Se dice que entre dos
factores hay interacción si los efectos de un nivel de un factor dependen de los niveles del
otro. Dicho con otras palabras la respuesta de un factor es influenciada en forma diferenciada
por los niveles del otro.
La existencia de interacciones indica que los efectos de los factores sobre la respuesta no son
aditivos y por tanto no pueden separarse los efectos de los factores.
Conceptos básicos
Factores son características que involucra a dos o más modalidades, variantes o niveles
diferentes y pueden ser:
a) Cualitativos: Son aquellos en los cuales los niveles definen o expresan una modalidad
particular de las características del factor; cada nivel tiene un interés intrínseco o
independiente de los otros niveles. Estos factores responden a las características de las
variables cualitativas.
Ej: Diferentes métodos de riego (manto, surco, aspersión).
2
Ej: Variedades de un tratamiento cultural: método de poda, de raleo, forma de aplicación de
productos terapéuticos, etc.
EJ: Variedad de una determinada especie incluye V1, V2 y V3
Factor = Variedad
Niveles = V1, V2, V3
b) Cuantitativos: Son aquellos cuyos valores corresponden a cantidades numéricas, es decir
valores inherentes a una variable cuantitativa.
Ej: Supongamos que en una experiencia se prueba fertilizar con diferentes dosis de
nitrógeno N: 0-10-20-30 Kg/ha.
Factor = Nitrógeno (N)
Niveles = N0, N1, N2, N3 que corresponden a las dosis 0-10-20 y 30
Ej: Dosis creciente de un fertilizante medida en kg del elemento por hectárea

Ej: Diferentes dosis de un producto terapéutico
Ej: Concentración de diferentes drogas o reactivos
Ej: Diferentes Tº de aplicación de tratamientos, etc.
Para simbolizar a los factores se ha generalizado el uso de la letra mayúscula vinculada con
el nombre del factor y esa letra (que puede ser mayúscula o minúscula) con un subíndice
numérico para los niveles.
Ej: Fertilizante nitrogenado con 3 niveles: Factor Nitrógeno: N; Niveles: n1, n2, n3.
Si se incluye al control, sin nitrógeno, se acostumbra designarlo con n0.
Si se opta por la letra mayúscula para representar a los niveles del factor:
Ej: Fertilizante nitrogenado con 3 niveles. Factor Nitrógeno: N; Niveles: N1, N2,
N3, N0.
También se puede utilizar una letra mayúscula para el factor y otras letras para los niveles
que reemplazan los nombres.
Ej.: FactorVariedades: V; Niveles: A, B, C.
En un experimento factorial los tratamientos surgen de la combinación de los niveles de

un factor con los niveles de los otros factores. Por ejemplo si se combinan 3 dosis de
Nitrógeno con 2 variedades (A y B), los tratamientos resultantes son 3 x 2 = 6 y se pueden
designar como sigue: N1A, N1B, N2A, N2B, N3A, N3B.
Los experimentos factoriales se pueden aplicar a diferentes diseños: completamente
aleatorizados, bloques, cuadrados latinos.
Los Experimentos Factoriales completos incluyen, por razones de balanceo, a todas las
combinaciones posibles entre los distintos niveles del factor involucrado en el experimento.
Supongamos el factorial más simple: 2 factores A y B y cada uno de ellos con dos niveles
“a1 y a2 ; b1 y b2”
Las combinaciones posibles son 4. Si se consideran a las combinaciones como tratamientos,
éstos son 4 y se identifican como: a1b1, a1b2, a2b1 , a2b2.. En la tabla 1 se aprecia la
“estructura” de los tratamientos.
Tabla 1: Tratamientos en un factorial 2 x 2.

Niveles deA
a1 a2
Niveles b1 a1 b1 a2 b1
de B b2 a1 b2 a2 b2
3
La expresión experimento factorial 2x2: indica que el 1º factor tiene 2 niveles y el 2º. Si se
desea efectuar un diseño Experimental para este factorial 2x2 es decir con k = 4 tratamientos
o combinaciones y r = 5 repeticiones, se puede utilizar cualquiera de los diseños básicos :
Completamente aleatorizado (C.A.), Bloques al Azar (B.AS) o Cuadrado Latino (C.L.).
De igual modo, la expresión experimento factorial 2x3 indica que el 1º factor tiene dos
niveles y el 2º tres. En este caso el número de combinaciones (tratamientos) es 2x3 = 6 los
que se identifican por la simbología que figura en las celdas de la tabla 2.
Tabla 2: Tratamientos de un factorial 2 x 3.
Niveles Niveles del

del Factor A
Factor B a1 a2
b1 a1 b1 a2 b1
b2 a1 b2 a2 b2
b3 a1 b3 a2 b3
A medida que aumenta el número de factores y/o los niveles, aumenta sensiblemente el
número de tratamientos y con ello la dificultad de elegir el diseño adecuado, particularmente
cuando se trata de un experimento a campo.
Si es un factorial 3x2x3 es decir de 18 tratamientos se descarta el C.L. Si se piensa en B.A.
este número de tratamientos es algo elevado a lo que se podría agregar que si la especie con
la que se está trabajando exige parcelas grandes entonces el tamaño de los bloques tiene que
ser también grande con la consiguiente dificultad de encontrar sectores de terreno
homogéneos para ubicar los bloques.
El problema subsiste, si se piensa utilizar C.A., pues el experimento ocupa una superficie
grande lo que dificulta la homogeneidad de las unidades experimentales. En esas condiciones
quizá se deba pensar en el uso de otros diseños.
Los experimentos factoriales proporcionan en general una información más completa que los
experimentos comunes, pues posibilita el estudio de factores principales, las combinaciones
de todos los niveles y la interacción de los factores.
En los experimentos factoriales algunos autores hablan de “estructura de tratamientos”
indicando con esto que los tratamientos se forman por combinaciones de factores.
Interacción:
Es el efecto recíproco entre 2 o más factores, o la modificación de efecto de un factor por la
acción de otro u otros. El estudio de la interacción entre los factores es una de las
características importantes en los experimentos factoriales.
La posibilidad de estudios en forma conjunta de dos o más factores con sus correspondientes
niveles, hace a los factoriales muy útiles para investigaciones exploratorias y como un paso
previo para concentrar posteriormente la atención en los aspectos que puedan ser de mayor
interés, de acuerdo a las conclusiones generales que proporcionan estos experimentos.
Ventajas y Desventajas:
Posibilita el estudio simultáneo de dos o más factores
Permite estudiar la posible interacción entre los factores intervinientes, y
consecuentemente con ello el efecto o comportamiento de cada factor en los
diferentes niveles del otro factor.
4
Son más eficientes que los experimentos simples, donde se estudia un solo factor.
Proporcionan además resultados generales que los hacen útiles en experimentos
exploratorios.
Como se incluyen todas las combinaciones posibles de los diferentes niveles,
proporcionan habitualmente un número elevado de grados de libertad para el error
experimental, con la consiguiente ventaja que esto significa.
Como contrapartida de lo anterior, a medida que se incrementa el número de factores y
niveles se hace mayor el número de tratamientos, aumentando cuando se trata de
experimentos a campo la superficie requerida para todo el experimento y en particular
para cada repetición. Con todo ello aumenta la dificultad de adaptar el diseño más
adecuado al terreno ó al material experimental y se eleva significativamente el costo de
cada repetición. Esta circunstancia obliga algunas veces, a recurrir a otro diseño (bloques
incompletos) o adoptar sistemas “factoriales” en confundido”, cuyo análisis y
planeamiento es más dificultoso, además de la pérdida de información sobre algunas
interacciones.
A pesar de que no todas las combinaciones entre los diferentes niveles son de interés para el
investigador, en estos experimentos no pueden ser excluidos por razones de balanceo que
exige el análisis.
Efectos Principales. Efectos simples. Interacción

Analizando los resultados supuestos del Experimento factorial más simple (2x2) vamos a
determinar los efectos principales y simples de los factores intervinientes, el efecto de la
interacción y la medida de estos efectos.
Supongamos que uno de los factores es fertilización con Nitrógeno (N) con 2 niveles N0 y N1
(ausencia y presencia); el otro factor es fertilización con fósforo (P) con los mismos niveles
P0 y P1. En el cuadro se indican las combinaciones entre los niveles N y P, y entre paréntesis
los supuestos rendimientos obtenidos con dichas combinaciones.
Tabla Nº 3: Resultados de un factorial 2 x 2 (cifras entre paréntesis)
Factor N Totales del

Factor P
N0 N1 factor P
P0 N0P0(6) N1P0(4) P0 = 10
P1 N0P1(2) N1P1(10) P1 = 12
Totales factor
N0 = 8 N1 = 14 22
N
Efecto Principal de N
Es la diferencia entre los tratamientos que tienen nitrógeno (N1) menos los que no lo tienen
(N0): N1 – N0= 14 – 8 = 6
Efecto principal de P = Total P1-Total P0= 12-10 = 2
Efectos Simples
Es la diferencia entre dos niveles de un factor, a un mismo nivel del otro.
Efecto simple del N a un mismo nivel P
Efecto simple de N en P0 = N1P0-N0P0 = 4-6 = -2
Efecto simple de N en P1 = N1P1-N0P1 = 10-2 = 8
De igual forma el efecto simple de P en N0 = N0P1 -N0P0 = 2-6 = - 4
Efecto simple de P en N1 = N1P1-N1P0 = 10-4 = 6
5
Es fácil advertir que la suma de los efectos simples de un elemento es igual a su efecto
principal. Comprobémoslo para el N:
Efecto de N en P0 + Efecto de N en P1 = (N1P0-N0P0) + (N1P1-N0P1) = -2+8 = 6 = Efecto
Principal
Efecto de la Interacción
Observemos los efectos simples de N a los dos niveles de P
Efecto de N en P1 = N1P1-N0P1 = 10-2 = 8
Efecto de N en P0 = N1P0-N0P0 = 4-6 = -2
Se advierte que el comportamiento del N en presencia del fósforo es diferente: en presencia
del fósforo (P1) el rendimiento aumenta cuando se agrega nitrógeno: N1P1-N1P0 = 10-2 = 8
En cambio en ausencia de fósforo (P0) el rendimiento disminuye cuando se agrega
Nitrógeno:N1P0-N0P0 = 4-6 = -2
Esto muestra que, en este ejemplo, hay interacción entre los dos elementos. La medida de
esta interacción la da la diferencia entre esos valores, es decir la diferencia del
comportamiento del N en presencia de P1 (N1P1-N0P1) menos la diferencia del N en
presencia de P0 (N1P0-N0P0).
Efecto de la interacción NP = (N1P1-N0P1)-(N1P0-N0P0) = N1P1+ N0P0-N1P0-N0P1 = 10+6-4-2
= 10
Resumiendo: la interacción NP = Efecto N en P1- Efecto N en P0
Si se consideran las diferencias en sentido contrario, el resultado debe ser el mismo.
Efecto de esta interacción, que llamaremos PN es el efecto del P en N1 - efecto de P en N0 =
= (N1P1 - N1P0) - (N0P1-N0P0) = = N1P1+ N0P0 - N1P0 - N0P1 = 10 + 6 – 4 – 2 = 10
Interacción NP =diferencia de efectos = 8-(-2)=10
Gráficamente
10
8
Rendimiento
2
0 1
Fósf oro
N0 N1
Gráfico 1: Interacción NP = 10 en los datos de la Tabla 3. (P en abcisas)
Se advierte en el gráfico que los segmentos de la recta que representan a N1 y N0 se cruzan.

Este cambio de dirección es la manifestación de la interacción NP, la medida de la misma es
la diferencia de los efectos simples de N.
Observense los efecto simples de P para los dos niveles de P0: Efecto P en N1= N1P1-N1P0=
10-4=6 = Efecto P en N0= N0P1-N0P0=2-6=-4
Se nota aquí que el comportamiento del P en presencia o ausencia de N es diferente: en
presencia de nitrógeno(N1) el rendimiento es mayor o aumenta cuando se agrega fósforo:
N1P1-N1P0 = 10-4 = 6. En ausencia de N en cambio el rendimiento es menor cuando se
agrega P: N0P1-N0P0 = 2-6 = -4
6
Se advierte también de esta forma que la existencia de interacción entre los factores y como
en el caso anterior, se puede medir con la diferencia de los efectos simples. Llamaremos a
esta interacción PN
Efecto de la interacción PN=(N0P1-N1P0)-(N0P1-N0P0)=N1P1+ N0P0-N1P0-N0P1=10+6-4-2=10
Interacción NP = diferencia de efectos = 6-(-4)=10. Adviértase que la interacción NP =PN
=10
10
Rendimiento
6
2
0 1
Nitrógeno
P0 P1
Gráfico 2: Interacción NP = 10 en los datos de la Tabla 3. (N en abcisas)

También en este grafico la interacción se manifiesta con el cruce de segmentos o cambio de
dirección de los mismos; lo medido es = a la interacción NP
La medida de la interacción NP o PN se puede hallar restando del efecto combinado de N y
P, los efectos de esos elementos aplicados solos o independientemente, es decir, el efecto de
cada uno de ellos en ausencia del otro:
Efecto combinado N y P = N1P1-N0P0=10-6=4
Efecto independiente de N = N1P1-N0P0=4-6=-2
Efecto independiente de P = N0P1-N0P0=2-6=-4
Luego, el efecto de la interacción es NP = 4-(-2-4)=10
Ausencia de interacción
Supongamos que los resultados, es decir, los totales de tratamiento hubiera sido el siguiente:
Tabla Nº 4: Otros resultados de un factorial 2 x 2 (cifras entre paréntesis)

Factor P
N0 N1 factor P
P0 N0P0(2) N1P0(7) P0 = 9
P1 N0P1(4) N1P1(9) P1 = 13
Totales factor
N0 = 8 N1 = 14 22
N
Calculemos los efectos simples de N en presencia y ausencia de P, pero con ellos calcular la
interacción NP:
Efecto simple de N en P1= N1P1 -- N0P1= 9-4 = 5
Efecto simple de N en P0= N1P0 -- N0P0= 7-2 = 5
Se advierte que no hay diferencias entre los efectos simples, lo que indica que no hay
interacción entre N y P. El efecto de la interacción es, como sabemos, la diferencia de estos
efectos simples:
Efecto interacción NP = (N1P1 - N0P1) - (N1P0 - N0P0)= N1P1 - N0P1- N1P0 + N0P0 = 9 – 4 -7 +
2= 0
Gráficamente se manifiesta de la siguiente manera: Interacción NP = 5-5 = 0
7
Rendimiento
6
2
0 1
Fósf oro
N0 N1
Gráfico 3: Interacción NP = 0 en los datos de la Tabla 4

Se advierte que los segmentos de recta que representan a N1 y N0 son paralelos; esta es la
evidencia gráfica de la ausencia de interacción.
Otra forma de interacción
No necesariamente los segmentos de recta que representan los efectos simples deben
intersectarse cuando existe interacción entre los factores. En las dos situaciones que
presentamos a continuación hay interacción entre los dos factores y la manifestación grafica
es de otro tipo:
Supongamos las tablas de los tratamientos como el cuadro siguiente:

Factor P
N0 N1 factor P
P0 N0P0(5) N1P0(6) P0 = 9
P1 N0P1(2) N1P1(10) P1 = 13
Totales factor
N0 = 7 N1 = 16 23
N
Los efectos simples de N en presencia o ausencia de P son:

Efecto simple de N en P1= N1P1 - N0P1 = 10 - 2 = 8
Efecto simple de N en P0= N1P0 - N0P0 = 6 - 5 = 1
La diferencia entre estos efectos simple es la medida de la interacción NP = 8-1 = 7
Efecto de la interacción = (N1P1 - N0P1)- (N1P0 - N0P0)= N1P1 - N0P1- N1P0 + N0P0 = 10 – 2 –
6+5=7
10
8
Rendimiento
2
0 1
Fósf oro
No N1
8
En el gráfico se nota que cuando se agrega nitrógeno(N1) el rendimiento aumenta en

presencia de (P1), ocurre lo contrario cuando no se agrega nitrógeno(N 0), el rendimiento
disminuye en presencia de fósforo(P).Los segmentos que representa a N1 y N0 no se cortan
pero sus direcciones son diferentes; la pendiente de N1 es positiva, en cambio la de N0 es
negativo.
Supongamos ahora los totales de tratamiento que se incluyen en el cuadro siguiente, ver tabla
6:

Factor P
N0 N1 factor P
P0 N0P0(2) N1P0(4) P0 = 6
P1 N0P1(2) N1P1(10) P1 = 12
Totales factor
N0 = 4 N1 = 14 18
N
Efecto simple de N en P1 = N1P1 - N0P1= 10-2 = 8

Efecto simple de N en P0 = N1P0 - N0P0 = 4 - 2 = 2
La diferencia entre estos efectos simples es la medida de la interacción P = 8 -2 = 6
Efecto de la interacción NP = (N1P1 - N0P1)- (N1P0 - N0P0) = N1P1 - N0P1- N1P0 + N0P0 = 10 –
2 – 4 + 2 = 6 Interacción NP = 8-2 = 6
10
8
Rendimiento
0
0 1
Fósf oro
N0 N1

En el grafico anterior se advierte que cuando se agrega nitrógeno (N 1) el rendimiento
aumenta en presencia de fósforo (P1), no ocurre lo mismo cuando no se agrega nitrógeno
(N0), el rendimiento permanece constante en presencia de fósforo (P1). Los segmentos que
representan a N1 y N0 no se cortan pero sus direcciones son diferentes.
Modelo estadístico: Las observaciones pueden describirse mediante un modelo estadístico

lineal.
i = 1,2......,a
Yijk i j ( )ij ijk j = 1,2......,b
k =1,2…..,n
i = media general
= efecto del iésimo nivel del factor A
donde
i
j = efecto del j-ésimo nivel del factor B
( )ij = efecto de la interacción entre i y j
ijk = Componente del error aleatorio
9
Los supuestos sobre la componente aleatoria ijk son: los errores son independientes e
idénticamente distribuidos: ijk  N (0, ) . Esta simbología indica que la distribución debe
ser normal con media cero y variancia común.
Ambos factores son fijos y los efectos de los tratamientos se definen como desviaciones de
la media general y deben cumplir la restricción:
i 0 j 0
Se supone que los efectos de la interacción son fijos y se definen como: ij
0
Hay un total de “abn” observaciones: porque los tratamientos son “ab” y se realizan “n”
réplicas.
Tanto el factor A como el factor B tienen el mismo interés. La finalidad consiste en probar
hipótesis de mismo efecto de tratamientos en renglón
Ho= 1 = 2 = … = a = 0
H1 = al menos un i 0
Y de la igualdad de los tratamientos de columna

H0: 1 = 2 = ... = b= 0
H1: al menos un i 0
También es importante probar si los tratamientos ( )ij de las celdas interaccionan

H0=( )ij = 0 para todo i,j
H1 al menos uno ( β)ij 0
Sea el siguiente ejemplo donde se presentan a niveles de un factor A y b niveles de un

factor B dispuestos en un diseño factorial, cada repetición del experimento contiene todas
las combinaciones “ab” (es decir hay a x b tratamientos) con “n” réplicas en cada uno de los
tratamientos.
Ejemplo: Del libro de Douglas Montgomery “Diseño y Análisis de Experimentos”,

1993.
Un Ingeniero diseñó una batería para su uso en un dispositivo que será sometido a ciertas
variaciones extremas de temperatura. El único parámetro de diseño que el puede seleccionar
es la cubierta de la batería y tiene 3 alternativas (factor A, a = 3). Cuando el dispositivo se
manufactura y se envía a campo, el Ingeniero no tiene control sobre los extremos de la Tº a
que será expuesto el dispositivo y sabe por experiencia que es probable que la Tº influya en
la duración efectiva de la batería. Sin embargo es posible controlar la Tº en el laboratorio de
desarrollo de productos para los fines del ensayo.
El Ing. decide probar los 3 niveles de cubierta a tres niveles de Tº ( 15º, 70º y 125º F)
consistentes en el entorno de la cubierta final (factor B, b = 3).
Se prueban 4 baterías ( n = 4) en cada combinación (material de cubierta, Tº ), y las 3 x 3 x 4
= 36 pruebas se ejecutan en orden determinado al azar.
El Ing. quiere contestar las siguientes preguntas:
1)- ¿Qué efecto tienen el tipo de material y la Tº sobre la duración de la batería?

2)- ¿Existe un material que de como resultado una duración uniforme sin importar la Tº?
Esta pregunta es importante, o por el contrario: ¿Existe la posibilidad de hallar un material
que sea muy afectado por la Tº?.
De ser así el Ing. ¿puede hacer que la batería sea robusta a la variación de Tº en el campo?
10
Este es un diseño con dos factores
La observación Yijk se encuentra en el i- iésimo nivel del factor A(i =1,…,a)
j- ésimo nivel de factor B (i =1,…,b)
k-iésimo rep. de la combinaciones(ij) k = (1,…,n)
Tabla 7: duración en horas de baterías con 3 cubiertas distintas y sometidas a 3

temperaturas de trabajo
Tº Factor B (grados F)
15 Yij• 70 Yij• 125 Yij• Yi••
Factor A: 1 130-155 34-40 20-70
tipo de 70-180 535 80-75 229 85-58 233 997
material 2 150-188 136-122 25-70
159-106 603 106-115 479 58-45 198 1280
3 138-110 174-120 96-104
168-160 576 150-139 583 82-60 342 1501
Y j
1714 1291 773 Y••• =
=3778
Y••• es el total general de todas las observaciones

Yi•• es el total de las observaciones bajo el i-ésimo nivel del factor A
Yj es el total delas observaciones bajo el j-ésimo nivel del factor B y
Yij• es el total de las observaciones de la ij-ésima celda,
Se define Yi •• Y j Y ij• Y ••• promedio de renglón, columna , celda y general
b n
Yi
Yi•• = Yijk Yi ••= i=1,…, a
j k bn
a n Y j
Y j = Yijk Y j = i= 1,…, b
i k an
n Yij i=1,…, a ; j= 1,..., b

Yij• = Yijk Y ij• =
k 1 n
i a j bk n Y
Y••• = Yijk Y ••• = i =1,...,a; j = 1,...,b; k = 1,…,n
i 1 j 1 k 1 abn
Descomposición
SCT = SCA+ SCB +SCAB +SCEE
Los Grados de Libertad Asociados a cada suma de cuadrados se presentan en la tabla 8.
11
Tabla 8: descomposición de los grados de libertad en un experimento factorial
Causas G de L
A a-1
B b-1
Interacción AB (a-1)(b-1)
ERROR ab(n-1)
TOTAL abn-1
Como se calculan las sumas de cuadrados:

Y2 Y2
SCT = Yijk2 TC =
abn abn
Suma de Cuadrados de efectos principales

Yi 2
SCA= TC
bn
Y 2j
SCB= TC
an
es conveniente obtener SCAB en 2 etapas. Primero se calcula la suma de cuadrados de los

totales de cada uno de los ab tratamientos (combinaciones de los dos factores: ver celdas de
la tabla 7), conocido como la suma de cuadrados debido a los “subtotales” o también
“combinaciones”.
a b a b Y2
2 ij
SCSubtotal = SCCombinaciones n (Yij Y ) TC
i 1 j 1 i 1 j 1 n
Esta suma de cuadrados contiene a la SCA y SCB en la segunda etapa.
SCAB = SCSubtotal – SCA – SCB
SCE = SCT – SCAB – SCA - SCB
SCE = SCT - SCSubtotal
Ejemplo:
Y 3.778
3778 2
SCTotal = 130 2 155 2 ..... 82 2 60 2 77 .351,89
3 3 4
997 2 1280 2 1501 2 3778 2
SCA = SCMaterial = 10 .637 ,39
3 4 3 3 4
1714 2 1291 2 773 2 3778 2
SCB = SCTº = 37 .020 ,39
3 4 3 3 4
5352 6032 ... 3422 37782
SCCombinación = 56.979,39
4 3 3 4
La suma de cuadrados de las combinaciones incluye a las sumas de cuadrados de A, de B y

de AB.
SCCombinación = SCAMaterial + SCBTº + SC(AxB)
12
Por lo tanto:
SC Interacción = SCCombinación - SCAMaterial - SCBTº =
= 56.979,39 –10.637,39 –37.020,39 = 9.321,61
Por diferencia se obtiene la suma de cuadrados del error:
SCEE = 77.351,89 – 10.637,39 – 37.020,39 – 9.321,61 = 20.372,50
Los grados de libertad son:
Grados de Libertad de A = a – 1 = 3 – 1 = 2
Grados de Libertad de B = b – 1 = 3 – 1 = 2
Grados de Libertad de la Interacción AB = G. de Libertad de cada celda (ab-1)
menos los g. de libertad de los 2 efectos principales A y B.
ab-1- (a-1) - (b-1) = (a-1)(b-1) = 2 x 2 = 4
Dentro de cada una de las celdas hay n-1 grados de Libertad entre las n réplicas, por
lo tanto hay
ab(n-1) G. libertad error = 3 x 3 x 3 = 27
Las esperanzas de los cuadrados medios son:

2 2
SC A 2
bn SCB 2
an
i i
E(CMA)= E ; E(CMB)= E
a 1 a 1 b 1 b 1
2
n
SC AB 2 ij SCE 2
E(CMAB)= E ; E(CME)= E
a 1 b 1 a 1 b 1 ab n 1
Si las hipótesis nulas, que consisten en proponer que no hay efecto de tratamientos de
renglón, columna e interacción son verdaderas, entonces CMA, CMB, CMAB y CME
son estimadores 2 .
Sin embargo, si por ej. existen diferencia entre materiales (filas), entonces CMA será
mayor CME.
En forma similar, si hay efecto de tratamiento de columna (Tº) o de la interacción, la
media de los cuadrados correspondientes serán mayores que CME.
Por lo tanto, para probar el significado de ambos efectos principales así como su
interacción, simplemente deben dividirse las medias de los cuadrados correspondientes
entre la media de Cuadrados del Error.
Si el modelo es adecuado y ij son independientes, con distribuciones normales y con
variancias constantes 2 las razones que se presentan más abajo se distribuyen como
F con los grados de libertad que se indican.
CMA
F a 1; ab n 1
CME
CMB
F b 1; ab n 1
CME
CMAB
F a 1 b 1 ; ab n 1
CME
13
Tabla 9: Análisis de la variancia de los datos de la tabla 7.
F. de Variación SC G de Lib. CM F Ftabla

Total 77.351,89 35
Tipo de 10.637,39 2 5.318,69 7,05* F(2,27) 0,.05=3.35
Material 37.020,39 2 18.510,19 24,53* F(4,27) 0,.05=2.73
Temperatura 9.321,61 4 2.330,40 3.09*
Interacción 20.372,50 27 754,54
Error
Como auxiliar en la interpretación de los resultados de este experimento resulto útil la

construcción de un gráfico de las respuestas promedio (Gráfico 6). El hecho de que las rectas
no sean paralelas indica una interacción significativa.
Tabla 10: Medias por tratamiento de los datos de la tabla 7
Y Tº
Material 15º 70º 125º
1 535/4=133,75 229/4= 57,25 233/4=58,25
2 603/4=150,75 479/4=119,75 198/4=49,5
3 576/4=144 583/4=145,75 342/4=85,5
175
150
125
100
Duración
75
50
25
0
0 25 50 75 100 125
Temperatura
M1 M2 M3
Gráfico 6. Promedios de duración de los diferentes materiales en función de la Tº
Comparaciones Múltiples
Si el análisis de las Variancias indica que hay diferencia en el nivel medio de renglones o
columna, resulta de interés llevar a cabo comparaciones medias individuales de renglones o
columna para descubrir diferencias específicas. Pero cuando la interacción es significativa,
las diferencias en los medias de un factor (por ej A) pueden ser ocultadas por la interacción
AB. El enfoque consiste en fijar el factor B en un nivel específico, y aplicar la prueba de
intervalos múltiples de Duncan a las medias del factor A en ese nivel. Por ejemplo si se
desea detectar diferencias en el nivel medio de los tres tipos de material, como la interacción
es significativa, las comparaciones deben realizase en un solo nivel de la temperatura por
separado. Por ejemplo, el gráfico 6 muestra que las diferencias son más marcadas en el nivel
2 (70ºC). Los promedios de los tres tipos de material en el nivel de Tº 70º, organizados en
orden ascendente son:
14
__
Y 12 57 ,25 Material tipo 1
__
__
Se supone que el mejor estimador de la Variancia del error es MSE obtenido de la tabla de
Análisis de la Variancia. Además, se utiliza la suposición de que la variancia del Error
Experimental es la misma en todas las combinaciones de tratamientos.
El error estándar de estos promedios o medias de tratamientos es:
__
CME 754,54
S Y 12 13, 73
n 4
Ya que cada promedio se calcula mediante n = 4 observaciones
Duncan Δ0,05 (2,27)=2,91

Δ0,05 (3,27)=3,06
Intervalos mínimos significativos entre medias de materiales para un nivel de Tº.

D2= 2,91 x 13,73= 39,97
D3= 3,06 x 13,73 = 42,02
Para la Tº = 70º, las diferencias observadas entre los promedios de materiales son:
Diferencia Material 3 – Material 1 = 145,75 – 57,25 = 88,5 > 42,02 (D3)

Diferencia Material 3 – Material 2 = 145,75 – 119,75 = 26 < 39,97 (D2)
Diferencia Material 2 – Material 1 = 119,75 – 57,25 = 62,5 > 42,02 (D3)
El análisis indica que al nivel de temperatura de 70ºC, la duración media de las baterías con
cubiertas de los materiales 2 y 3 es la misma y mientras que a esa temperatura la duración
media con el material 1 es significativamente menor que la de los elementos con cubierta de
materiales 2 y 3.
Cuando la interacción es significativa, el investigador puede comparar las medias de todas
las celdas para determinar en cuales hay diferencias significativas. En este análisis las
diferencias entre las celdas incluyen tanto los efectos principales como el efecto de
interacción. Para completar el análisis de este ejemplo se debe efectuar el análisis que se hizo
para 70º , para los otros niveles de Tº.
15
RESOLUCIÓN DEL EJEMPLO ANTERIOR EMPLEANDO DIFERENTES
SOFTWARES
DESARROLLO CON INFOSTAT (V.2008).
Creación del archivo de datos:
Se introducen en una primera columna, los tipos de material: 1, 2, 3 ; en una segunda
columna las temperaturas: 15, 70, 125, y en una tercera columna los valores de la variable,
obteniéndose la siguiente formato de archivo (Figura 1).
Figura 1: Creación del archivo de datos para análisis del

experimento factorial.
Luego se crea una nueva columna que estará formada por la

combinación de cada nivel de material por cada nivel de
temperatura. Esto se puede hacer con el menú de INFOSTAT
seleccionar: datos, cruzar categorías y aparece este cuadro de
diálogo. Luego se marca materia y temperatura y con la flecha se
pasa al cuadro de la derecha, criterios de clasificación, como lo
indica la siguiente figura (Figura 2)
Figura 2: Cruce de categorías con los niveles

de material y temperatura.
Al aceptar queda creada la columna mat_temp.

Se puede cambiar ese nombre, haciendo doble
clic en el mismo y colocando trat Figuras 3 y 4.
Figura 3: Variable creada

con Cruce de categorías
Figura 4: Cambio de nombre
16
De esta forma el archivo queda con 4 variables: material, temperatura, tiempo y tratamiento.
Una vez completo el archivo se realiza el Anova. Para ello se procede de la siguiente manera
seleccionando el menú: Estadística_Análisis de la varianza. Aparece la pantalla que se
encuentra en la Figura 5 y se marca y pasa con las flechas correspondientes:
La variable tiempo al cuadro variable dependiente y
mat y temp al cuadro variables de clasificación
Figura 5: Selección de las variables y
de los
factores.
Se acepta y se muestra un nuevo cuadro
(Figura 6).
Figura 6. Indicaciones para realizar el

ANOVA del experimento factorial y grabar los
residuos para prueba de supuestos.
Para incorporar las interacciones al modelo, se hace clic en agregar interacciones y en el

cuadro de especificación del modelo, que ya tiene incorporado mat y temp aparece
automáticamente una nueva línea mat*temp (que es la interacción de los factores).En el
cuadro guardar se marcan mediante un clic: Residuos, Predichos, Res estud.; Abs(residuos)
y Sobrescribir ya esta marcado por default. Figura 6.
Al aceptar aparece por un lado una hoja de resultados (Salida 1) en la que se encuentran los
resultados del Análisis de la _Variancia del experimento factorial.
Salida 1: Resultados del ANOVA
17
Si se observa la tabla de datos se ve que se crearon nuevas columnas (Figura 7)
correspondiente a las variables, residuos y predichos (RDUO, RABS, RE)
Figura 7: Archivo de datos luego de la

creación de variables con la opción guardar
Con estas nuevas variables se realizan las prueba de los supuestos necesarios para que el
ANOVA sea válido:
Prueba de Normalidad de Shapiro Wilks. En esta prueba se trabaja con los residuos del
ANOVA. Para realizarla se utiliza el menú Estadísticas_Inferencia basada en una
muestra, Prueba de Normalidad (Shapiro-Wilks modificado) (Figura 8).
Figura 8: Selección de la prueba de

normalidad
Al aceptar aparece el siguiente cuadro (Figura 9). Para seleccionar la variable con la que se
realizará la prueba de normalidad, se marca RDUO_tiempo y se la pasa al cuadro de
variables.
Figura 9. Selección de los residuos para la prueba de

normalidad
Al aceptar obtenemos una hoja con los resultados de la prueba (Salida 2)

Las hipótesis puestas en juego son:
H 0 : ij Tienen distribución normal
H1 : ij No tienen distribución normal
Salida 2. Resultados del test

de normalidad de residuos.
18
Con un valor alto (p = 0,7876) no se rechaza la hipótesis nula. No hay evidencias suficientes
para decir que los residuos no tienen distribución normal. También se puede realizar una
prueba gráfica con un qq-plot para la variable RDUO_tiempo.
Para ello se selecciona la opción Gráficos, qq-plot, se acepta, se marca y se pasa la variable
RDUO_tiempo al cuadro de variable y luego se selecciona la Distribución Normal del
siguiente cuadro (Figura 10).
Figura 10. Selección de la distribución normal para la

realización del qq-plot
Al aceptar se obtiene el siguiente gráfico (Salida 3). La aproximación de los puntos a la

recta sugiere que la distribución de los residuos es normal.
Salida 3 . Qq-plot de los residuos del ANOVA
Prueba de Homogeneidad de Levene. Esta prueba consiste en un ANOVA con una causa
de variación (Tratamientos) de los valores absolutos de los residuos. Seleccionar
Estadísticas-Análisis de la varianza considerando como variable dependiente a
RABS_tiempo y como variable de clasificación Tratamientos (Figura 11).
Figura 11. Selección de variables para la

prueba de homogeneidad de variancias de
Levene.
19
Al aceptar se presentan los resultados de la prueba en la Salida 4.
Salida 4. Resultados de la
prueba de Levene
Las hipótesis puestas en juego son:

2 2
H0 : i = (hom eneidad )
2
H 1 : al menos una i difiere de otra
Con un valor de p = 0,5289, no se rechaza la hipótesis nula. No hay evidencias suficientes

para decir que los residuos no son homogéneos.
También se podría inspeccionar gráficamente la homogeneidad de variancias mediante un

gráfico de dispersión, colocando en el eje de las ordenadas los residuos estudentizados
(RE_tiempo) y en el eje de las abscisas los valores estimados de la variable (PRED_tiempo).
La gráfica no debe manifestar ninguna tendencia y ni los residuos estudentizados ser
mayores o menores a 3 y -3.
Seleccionar Gráficos_Dispersión: Marcar RE_tiempo y con flecha pasar la variable al eje

Y; marcar PRED_tiempo y con flecha pasar la
variable al Eje X (Figura 12).
Figura 12. Selección de variables para el gráfico de

dispersión de los residuos (RE_tiempo) en función
de los valores estimados o predichos
(PRED_tiempo).
Al aceptar se obtiene el gráfico de la salida 5, en el

que se observa una distribución homogénea de los
residuos, ya que los mismos no muestran patrón
alguno de dispersión con valores comprendidos entre
+3 y -3.
20
4
1 Salida 5: Residuos estudentizados en

RE_tiempo
0
función de predichos.
-1
-2
-3
-4
44,19 73,41 102,63 131,84 161,06
PRED_tiem po
Una vez realizadas las pruebas de cumplimiento de los supuestos, se pueden considerar
válidos los resultados del análisis de la varianza que se presentaron en la salida 1. En este
ejemplo, se examinará primero la interacción para saber si ésta es estadísticamente
significativa.
1) Prueba de hipótesis sobre el efecto de la interacción de los factores:

Material y Temperatura
Es importante probar si los factores de renglón y columna interaccionan ( )ij
H0: ( )ij = 0 para todo i,j
H1: al menos uno ( )ij 0
Con un valor p tan bajo (0,0186) se rechaza la hipótesis nula y se concluye que el
efecto de la interacción material-temperatura es diferente de cero, es decir que el
tiempo promedio de duración depende de la combinación Temperatura-Material, por lo
que es conveniente realizar pruebas de diferencias entre temperaturas para un mismo
material. Para ello se utilizará la prueba de Diferencia Límite Significativa. Ésta se
realiza efectuando el ANOVA de la manera ya indicada, seleccionando en la solapa
“comparaciones” e indicando que la prueba se efectúe entre medias de Tratamientos
(Figura 13).
Figura 13: Selección de

prueba de medias en caso de
interacción significativa
21
Al aceptar se obtiene la siguiente salida (Salida 6).
Salida 6. Diferencia entre

medias de tratamientos
La interpretación se debe
hacer para cada material:
Mat. 1: la duración es
mayor a 15º y difiere
significativamente de 70 y
125.
Mat. 2: con 15 º es la
combinación que da más
duración de batería y
difiere significativamente
si se la usa a 125º (menor
duración).
Mat. 3: a 15 y 70º duran
más que a 125º.
Para recomendar un material debería preguntarse a qué temperatura trabajará la batería

porque estos dos factores interactúan.
El ANOVA muestra diferencias en materiales y temperaturas pero, al dar la interacción
significativa es conveniente primero analizar el comportamiento de los niveles de un factor
en un nivel fijo del otro lo que ya se realizó (Salida 6). Para observar gráfiamente el
comportamiento se puede realizar un gráfico de las medias del tiempo de duración de las
baterías en función de los dos factores, de la siguiente manera: Se cliquea gráfico_Diagrama
de puntos (Figura 14)
Figura 14: Diagrama de

puntos.
22
Se cliquea en particiones y se coloca la variable materiales (mat)(Figura 15)
Figura 15: Diagrama de puntos,

partición por materiales.
Al aceptar se obtiene la Figura 16, se marca media; en el cuadro de medidas de confianza

marcamos ninguna, luego se marca tratar el eje x como categórico y particiones en el mismo
gráfico.
Figura 16: Instrucciones

para el diagrama de
puntos.
Al aceptar se obtiene la Salida 7. La salida 7 es de gran ayuda en esta interpretación: se ve

que todos los materiales son más durables a 15º pero que 1 y 2 son más sensibles al aumento
de temperatura.
23
180
Salida 7. Promedio de tiempo, según

145
temperatura para cada material
Tiempo
110
75
40
15 70 125
temp
mat_1 mat_2
mat_3
Muchas veces ocurre que la interacción puede enmascarar la diferencia entre los efectos
principales. Sin embargo, no sucede en este ejemplo.
Si se examina la significación de los efectos principales según los resultados del ANOVA:
Prueba de hipótesis sobre el efecto del factor renglón: Material
H0 = 1= 2 =...= a =0
H1 = al menos un i 0
Con un valor p tan bajo p = 0,0020 se rechaza la hipótesis nula y se concluye que el efecto
del material es diferente de cero, es decir que el tiempo promedio de duración es diferentes
entre al menos dos materiales.
Prueba de hipótesis sobre el efecto del factor columna: Temperatura
H0 : 1 = 2= ...= b= 0
H1: al menos un i 0
Con un valor p tan bajo p < 0,0001 se rechaza la hipótesis nula y se concluye que el efecto de
la temperatura en el tiempo de duración de las baterías es diferente de cero, es decir que el
tiempo promedio de duración es diferente entre al menos dos temperaturas, pero no se las
prueba por haber dado significativa la interacción.
2. DESARROLLO CON SPSS Ver. 15.0
En SPSS cuando se pide archivo nuevo_Datos aparecen dos pestañas en la parte inferior:
Vista de variables y Vista de datos- Se hace clic en la pestaña Vista de variables se poder
poner el nombre, ancho y tipo de variables (figura 17):
24
Figura 17: Tabla para crear el archivo de

datos
Una vez que se completa los cuadros queda la información como se muestra en la Figura 18.
Figura 18:
Información de las
variables del archivo.
Para introducir los
datos, se debe hacer
ahora clic en la pestaña
Vista de datos y se
observa que tenemos la
planilla con el nombre
de las variables en las
columnas (Figura 19).
Figura 19. Planilla para introducir los datos

La planilla esta lista para que se incorporen los datos. Se
debe notar que hemos creado nosotros la columna
tratamientos y debemos designar un número para cada
combinación de niveles (recordar que en INFOSTAT hay
una sentencia que completa la columna). En la figura 20 se
muestran los datos cargados
25
.
Figura 20.Planilla con datos cargados.

Se procede a realizar un análisis
exploratorio para ver el comportamiento de
cada uno de los factores utilizando boxplot
o de la combinación de los niveles de las
mismas que serían los box-plot múltiples.
Para obtener un box-plot para cada uno de
los factores se marca:
Gráfico_Cuadros de diálogos
antiguos_Diagrama de cajas (Figura 21).
Figura 21: Caminos

para obtener gráfico
de Cajas.
Al hacer click en
diagrama de caja,
aparece el cuadro que
se muestra en la figura
22.
Figura 22: Opciones a marcar para Box Plot
Se marca simple y se hace clic en definir, aparece la pantalla que se muestra en la figura 23
a.
26
Figura 23 a: Como se indican

las variables.
Se completa el cuadro de
variable, señalando tiempo y
pasándolo con flecha derecha.
De igual forma se pasa la
variable mat al cuadro eje de
categoría (Fig.23 b).
Figura 23 b. Cuadro completo de Box-plot

Tiempo para cada material
Al aceptar aparece el gráfico correspondiente a

tiempo según material (Salida 8).
200
Salida 8. Box-plot de la variable

150
tiempo según material.
tiempo
100
Se procede igual manera para obtener el
box-plot correspondiente a la variable
50 tiempo según temperatura, el gráfico
puede verse en la Salida 9.
0
1 2 3
mat
200
150
Salida 9. Box-plot de la variable tiempo para cada

tiempo
100
temperatura.
Para observar el comportamiento del tiempo de
50
duración de las pilas en función de la temperatura y

0
el material se realiza un boxplot múltiple de la
15 70
temp
125
siguiente manera: Seleccionar Gráficos_Diagrama
27
de caja, aparece la pantalla que se muestra en la figura 24; se señala agrupados_definir y en
pantalla aparece el cuadro que se visualiza en la figura 25.
Figura 24. Pantalla correspondiente al box-

plot
Se marca y pasa la variable tiempo al campo variable; tratamiento al campo eje de

categorías y la variable temperatura al campo definir las agrupaciones por (Figura25).
Figura 25: Cuadro de diagrama de boxplot múltiple completo
Al aceptar aparece el gráfico como lo

muestra la salida 10.
temp
200
15
70
125
150
tiempo
100
50
1 2 3 4 5 6 7 8 9
trat
Salida 10. Box-plot de tiempo para cada tratamiento (combinación de niveles de

temperatura-material
28
Para realizar el análisis de la variancia vamos al menú Analizar_Modelo lineal

general_univariante (figura 26).
Figura 26: Pantalla para indicar el análisis de la varianza
Al hacer clic, aparece la pantalla que se muestra en la Figura 27, se marca y pasa la variable
tiempo al cuadro dependiente y al cuadro de Factores fijos los factores: material y
temperatura.
Figura 27: Ubicación de la variable y

factores en los cuadros
Hacer clic en Modelo para indicar que

además de los factores debemos colocar
en el Análisis la interacción de ellos
(Figura 28).
Al marcar personalizado, se resaltan los

colores en el cuadro Factores y covariables, en
los que se nota que al lado el nombre de los
factores (Figura 28) aparece (F) indicando que
son fijos.
Figura 28: Pantalla para especificar un

factorial
Se debe marcar incluir interacción en el

modelo y en la parte central debe estar
colocado interacción. Con el mousse se marca
29
cada uno de los factores por separados y se los pasa con la flecha al cuadro titulado modelo,
luego se marcan los dos juntos y se los pasa con la flecha y aparece la interacción en el
cuadro titulado Modelo; se marca continuar (figura 29).
Figura 29: Pantalla con

indicación de interacción
Al marcar continuar, se vuelve a la figura 27 y al hacer un clic en gráfico aparece la

siguiente pantalla (figura 30a). Se pasa material (mat) al eje horizontal; temperatura (temp) a
líneas distintas y se habilita en la parte inferior añadir (figura 30b), al hacer clic aparece en el
cuadro inferior, indicado el gráfico que se solicitó es mat*temp (figura 30c).
Figura 30 a Figura 30 b
Figura 30 c
Figura 30 (a,b,c): Secuencias de pantallas para especificar un gráfico de tiempo para
los diferentes materiales según temperatura
30
El gráfico de tiempo por temperatura y materialse muestra en la salida 11.
Salida 11. Tiempo en función

de temperatura y tipo de
material
Se hace clic en continuar y se vuelve a la figura 27 y se marca guardar. Esta opción permite
guardar los residuos y los valores estimados para realizar luego las diferentes pruebas de
supuestos gráfica y analíticamente.
Luego de hacer clic en guardar aparece la siguiente pantalla (figura 31).
Figura 31: Pantalla para indicar los valores

pronósticados y los residuos que se deben guardar
Para ello se tilda, en el cuadro de Valores pronosticados: No tipificados, en el cuadro de

Residuos, no tipificados y tipificados (estandarizados), lo que permite posteriormente que el
programa cree dichas columnas en el archivo. Continuar
Por último nuevamente aparece la figura 27, hacemos clic en Opciones y se visualiza la
pantalla siguiente (figura 33).
31
Figura 33: Pantalla para solicitar

estadísticos descriptivos para factores
e interacciones.
Se pasa de la forma acostumbrada, los factores y la interacción al cuadro ”mostrar las medias
para: mat, temp y mat*temp y en el cuadro Mostrar se marca estadísticos descriptivos, se
deja nivel de significación en 0,05 o puede cambiarse a 0,01 como se desee.
Continuar, continuar y aparecen en la hoja de resultados los siguientes valores (Salida 12a).
Análisis de varianza univariante

Factores inter-sujetos
Estadísticos descriptivos
Variable dependiente: tiempo
N Salida 12 a. Media, desviación estándar y número de

mat 1 12 repeticiones en la que se presenta para cada
2 12 combinación material-temperatura, y también los
3 12 mismos estadísticos para material y para temperatura.
temp 15 12
70 12
125 12
mat temp Media Desv. típ. N

1 15 134,75 45,353 4
70 57,25 23,599 4
125 57,50 26,851 4 En la Salida 12 b, Aparece el análisis de la
Total 83,17 48,589 12 variancia con valores de Sumas de
2 15 155,75 25,617 4 cuadrados y F iguales a los valores
70 119,75 12,659 4 obtenidos con el software anterior, por lo
125 49,50 19,261 4 que se realizan las mismas pruebas y test de
Total 108,33 49,472 12 hipótesis realizados anteriormente y que no
3 15 144,00 25,974 4
es necesario repetirlo.
70 145,75 22,544 4
125 85,50 19,279 4
Total 125,08 35,766 12
Total 15 144,83 31,694 12
70 107,58 42,883 12
125 64,17 25,672 12
Total 105,53 47,101 36
32
Pruebas de los efectos inter-sujetos
Suma de
cuadrados Media
Fuente tipo III gl cuadrática F Significación
Modelo 59416,222(a
8 7427,028 11,000 ,000
corregido )
Intersección 400900,02
400900,028 1 593,739 ,000
8
mat 10683,722 2 5341,861 7,911 ,002
temp 39118,722 2 19559,361 28,968 ,000
mat * temp 9613,778 4 2403,444 3,560 ,019
Error 18230,750 27 675,213
Total 478547,000 36
Total corregida 77646,972 35
a R cuadrado = ,765 (R cuadrado corregida = ,696)
Salida 12 b. Análisis de la variancia
La salida que figura abajo Salida 12 c, corresponde a la salida de la opción en donde se
colocó estadística para factores y para interacción
Medias marginales estimadas

1. mat
Intervalo de confianza al
95%.
Límite
mat Media Error típ. Límite inferior superior
1 83,167 7,501 67,776 98,558
2 108,333 7,501 92,942 123,724
3 125,083 7,501 109,692 140,474
2. temp
95%.
Límite
temp Media Error típ. Límite inferior superior
15 144,833 7,501 129,442 160,224
70 107,583 7,501 92,192 122,974
125 64,167 7,501 48,776 79,558
3. mat * temp

95%.
Límite
mat temp Media Error típ. Límite inferior superior
1 15 134,750 12,992 108,092 161,408
70 57,250 12,992 30,592 83,908
125 57,500 12,992 30,842 84,158
2 15 155,750 12,992 129,092 182,408
70 119,750 12,992 93,092 146,408
125 49,500 12,992 22,842 76,158
3 15 144,000 12,992 117,342 170,658
70 145,750 12,992 119,092 172,408
125 85,500 12,992 58,842 112,158
Salida 12 c. Estadísticos para factores e interacción.
33
Para que el análisis de la variancia sea válido, se deben probar los supuestos
1.- Prueba de Normalidad, con la Prueba de Shapiro Wilks-
Seleccionar: Analizar_Estadísticos descriptivos_explorar (figura 34).
Figura 34: Pasos para realizar prueba de normalidad de residuos
Al confirmar la selección aparece la pantalla de abajo (Figura 35). Se pasa la variable

residuos (RES_1), en el cuadro Mostrar se marca Gráficos y aparece la pantalla (Figura36),
en el cuadro diagrama de caja se marca
ninguna, en el cuadro Descriptivos, se
desmarcan tallos y hojas e Histogramas.
Se marca gráficos con prueba de
normalidad
Continuar y aceptar. Los resultados de la
prueba se encuentran en la salida 13
Figura 35 :Selección de variable para

prueba de normalidad
Figura 36: Selección del test de

normalidad
34
Salida 13. Prueba de normalidad gráfica y analíticamente

Explorar
Resumen del procesamiento de los casos
Casos
Válidos Perdidos Total
N Porcentaje N Porcentaje N Porcentaje
Residuo para tiempo 36 100,0% 0 ,0% 36 100,0%
Pruebas de normalidad
Kolmogorov-Smirnov(a) Shapiro-Wilk
Estadístico gl Sig. Estadístico gl Sig.
Residuo para tiempo ,106 36 ,200(*) ,976 36 ,612
* Este es un límite inferior de la significación verdadera.
a Corrección de la significación de Lilliefors
Como p=0,612 No se rechaza la hipótesis que los residuos siguen una distribución normal.
La figura 37 muestra gráficamente la normalidad ( obtenida en la salida 13).
Gráfico Q-Q Normal de RES_1
50
Valor Normal esperado
25
Figura 37: Q-Q plot de distribución normal
para residuos
0
-25
-50
-80 -60 -40 -20 0 20 40

Valor observado
2.-Prueba de homogeneidad
La prueba de homogeneidad de Levene consiste en realizar un ANOVA con los valores
absolutos de los residuos considerando como
factor de clasificación a los tratamientos.
El SPSS no guarda el valor absoluto de los
residuos por lo que se los debe obtener. Para ello
se procede de la siguiente manera: se selcciona
del menú principal Transformar_Calcular
variable(Figura 38) y al hacer clic aparece la
siguiente pantalla (Figura 39).
Figura 38: Transformar variable mediante

cálculo
35
Figura 39: Pantalla a completar

para obtener la variable
transformada
En variable destino se coloca la variable a crear que es el residuo en valor absoluto, a la que
se denominará absresi . Pasamos el cursor a Expresión numérica buscamos en Grupo de
funciones las Aritméticas y en Funciones y variables especiales se selecciona Abs, se
aplica doble clic y aparece la función seleccionada en expresiones numéricas de la siguiente
manera ABS(?). Con el cursor se va al
cuadro Tipo y etiqueta y con un doble
clic en la variable RESI_1 se obtiene en
el cuadro de Expresiones numéricas:
ABS(RESI_1) se aceptar, y la variable
creada se visualiza en el archivo de
datos la variable creada (Figura 40).
Figura 40: Pantalla con cuadros

completados para obtener la variable
transformada.
La variable creada, aparece como una nueva columna en la hoja de datos (figura 41).
Figura 41: Pantalla con la nueva variable

transformada.
Se está ahora en condiciones de realizar el

análisis de la varianza. Se selecciona en el
menú principal: Analizar_Modelo Lineal
General_Univariante; Marcar Abresi y
con la flecha pasar a al cuadro titulado
dependiente; Marcar tratamiento y con la
flecha pasar a Factores Fijos (figura 42).
36
Figura 42: Pantalla con los cuadros

completos para realizar la prueba de Levene
Al aceptar , se obtiene el análisis de la varianza que aparece en la salida 14 y se observa la

significación para la variable tratamiento, el valor de p debe ser mayor a 0,05 para aceptar la
hipótesis de homogeneidad de variancias.
Tests of Between-Subjects Effects
Dependent Variable: Abresi

Type III Sum
Sourc e of Squares df Mean Square F Sig.
Correc ted Model 1323,722a 8 165,465 ,902 ,529
Intercept 11953,778 1 11953,778 65,160 ,000
trat 1323,722 8 165,465 ,902 ,529
Error 4953,250 27 183,454
Total 18230,750 36
Correc ted Total 6276,972 35
a. R Squared = ,211 (Adjusted R Squared = -,023)
Salida 14: Análisis de la variancia correspondiente a la prueba de homogeneidad de

Levene
Con un p = 0,529 no se rechaza la hipótesis de que existe homogeneidad de varianza entre
los diferentes tratamientos.
La prueba gráfica de homogeneidad consiste en graficar los residuos estandarizados en
función de los valores estimados de la variable dependiente, no debiendo los mismos mostrar
un patrón determinado. Para ello: del menú principal se selecciona
Gráfico_Cuadro de diálogos antiguos (Figura 43)_Dispersión/Puntos…,
Figura 43:Pasos para gráfico de dispersión
Se hace clic y aparece la pantalla (figura 44) en la

que se marca Dispersión simple_Definir
37
Figura 44: Pantalla para

definir grafico de
dispersión simple
Luego de realizar clic se obtiene la pantalla siguiente (figura 45).
Figura 45: Pantalla con las variables en los

ejes y y x del gráfico de dispersión.
Se coloca ZRE_1 en el eje Y y PRE_1 en el eje de las X. Al aceptar se obtiene la salida 15
Salida 15. Residuos

2
estandarizados versus
variable estimada
1
Las salidas 13, 14 y 15

ZRE_1
0 demuestran que los residuos

cumplen con los supuestos
-1 de normalidad y
homogeneidad de
-2
variancias. Es por ello que
se consideran válidos los
-3
resultados de la salida 12 y
50,00 75,00 100,00 125,00 150,00
se realizan las siguientes
PRE_1 conclusiones.
Conclusiónes
La interacción es significativa (p = 0.019; tabla de anova salida 12b). Existen diferencias de
las medias de los tiempos para las diferentes temperaturas en cada nivel del factor material o
viceversa. Existen diferencias entre las medias de los tiempos para las diferentes
temperaturas (p= 0.0001; tabla de anova salida 12b.) Existen diferencias entre las medias de
los tiempos para los diferentes materiales (p= 0.0020; tabla de anova salida 12 b)
38
Se debe considerar la primera conclusión, los estadísticos deben construirse a mano:
Comparación entre:
Material 1 a las diferentes temperaturas

y 11. 134 ,75
y 12.. 57 ,25
y 13. 57 ,50
CME 675,213
DLS0 ,05 t 27 0 ,05 2,052 2,052* 12,992 26 ,66
n 4
Material 1. hay diferencias significativas entre las medias del tiempo de duración entre la
temperatura de 15 º y las temperaturas de 70º y 125º
No hay diferencias entre las medias del tiempo de duración entre las temperatura 70º La
batería no debe ser expuesta a temperatura de 125º
d1 y 11. _ y12. 134 ,75 57 ,25 77 ,5*

d2 y 11.. y13. 134 ,75 57 ,50 57 ,25*
d3 y12 y13. 57 ,25 57 ,50 0 ,25
Material 2
d3 y 21. _ y22. 155 ,75 119,75 36 *
d2 y 21.. y23. 155 ,75 49,50 106 ,25*
d4 y22 y23. 119,75 47 ,50 70 ,25*
Para el material 2, se aconseja 70º pues la batería dura más tiempo
Material 3
d5 y 31. _ y32. 144 ,00 145 ,75 1,75
d6 y 31.. y33. 144 ,00 85 ,5 58,5*
d7 y32 y3 . 145 ,75 85 ,50 60 ,25*
Para el material 3, se aconseja 125º pues la batería dura más tiempo
Si se debe elegir material, se recomienda el material 3, pues es el que más tiempo de

duración alcanza a la máxima temperatura.
39
3.-Desarrollo con SAS.

Es necesario realizar el pequeño programa que figura a continuación en el que también se
introducen los datos, se efectúa el análisis de la variancia, las pruebas de supuestos y las
comparaciones entre medias.
data factorial;
input mat temp tiempo;
cards;
1 15 130 1
1 15 74 1
1 15 155 1
1 15 180 1
2 15 150 2
2 15 188 2
2 15 159 2
2 15 126 2
3 15 138 3
3 15 168 3
3 15 110 3
3 15 160 3
1 70 34 4
1 70 40 4
1 70 80 4
1 70 75 4
2 70 136 5
2 70 122 5
2 70 106 5
2 70 115 5
3 70 174 6
3 70 120 6
3 70 150 6
3 70 139 6
1 125 20 7
1 125 70 7
1 125 82 7
1 125 58 7
2 125 25 8
2 125 70 8
2 125 58 8
2 125 45 8
3 125 96 9
3 125 104 9
3 125 82 9
3 125 60 9
;
proc print data= factorial;
run; proc glm data= factorial;
class mat temp;
model tiempo=mat temp mat*temp;
LSMEANS mat*temp/TDIFF;
output out=pp p=dpred r=resid;
proc univariate data=pp plot normal;
var resid;
proc plot data=pp vpercent=50; plot resid*dpred /vref=0 box;
data pp; set pp;
z=ABS(resid);
proc anova data=pp;
class trat;
40
model z=trat;
run;
La salida es la que se muestra a continuación:
Salida 16: correspondiente al programa detallado arriba
Salida
Sistema SAS
Obs mat temp tiempo trat
1 1 15 130 1
2 1 15 74 1
3 1 15 155 1
4 1 15 180 1
5 2 15 150 2
6 2 15 188 2
7 2 15 159 2
8 2 15 126 2
9 3 15 138 3
10 3 15 168 3
11 3 15 110 3
12 3 15 160 3
13 1 70 34 4
14 1 70 40 4
15 1 70 80 4
16 1 70 75 4
17 2 70 136 5
18 2 70 122 5
19 2 70 106 5
20 2 70 115 5
21 3 70 174 6
22 3 70 120 6
23 3 70 150 6
24 3 70 139 6
25 1 125 20 7
26 1 125 70 7
27 1 125 82 7
28 1 125 58 7
29 2 125 25 8
30 2 125 70 8
31 2 125 58 8
32 2 125 45 8
33 3 125 96 9
34 3 125 104 9
35 3 125 82 9
36 3 125 60 9
Sistema SAS
Procedimiento GLM
Información de nivel de clase
Clase Niveles Valores
mat 3 1 2 3
temp 3 15 70 125
Número de observaciones leídas 36

Número de observaciones usadas 36
Sistema SAS
Procedimiento GLM
Suma de Cuadrado de
Fuente DF cuadrados la media F-Valor Pr > F
41
Modelo 8 59416.22222 7427.02778 11.00 <.0001
Error 27 18230.75000 675.21296
Total correcto 35 77646.97222
R-cuadrado Coef Var Raiz MSE tiempo Media
0.765210 24.62372 25.98486 105.5278
Cuadrado de
Fuente DF Tipo I SS la media F-Valor Pr > F
mat 2 10683.72222 5341.86111 7.91 0.0020

temp 2 39118.72222 19559.36111 28.97 <.0001
mat*temp 4 9613.77778 2403.44444 3.56 0.0186
Cuadrado de
Fuente DF Tipo III SS la media F-Valor Pr > F
mat 2 10683.72222 5341.86111 7.91 0.0020

temp 2 39118.72222 19559.36111 28.97 <.0001
mat*temp 4 9613.77778 2403.44444 3.56 0.0186
Salida 16 (continuación)
PRUEBA DE SUPUESTOS
Sistema SAS
Procedimiento UNIVARIATE
Variable: resid
Momentos
N 36 Pesos de la suma 36
Media 0 Observaciones de la suma 0
Desviación típica 22.8227643 Varianza 520.878571
Asimetría -0.4635911 Kurtosis 0.09663605
Suma de cuadrados no corregidos 18230.75 Suma de cuadrados corregidos 18230.75
Coeficiente de variación . Media de error estándar 3.80379405
Medidas estadísticas básicas

Localización Variabilidad
Media 0.000000 Desviación típica 22.82276

Mediana 1.375000 Varianza 520.87857
Moda . Rango 106.00000
Rango intercuantil 33.62500
Tests para posición: Mu0=0
Test -Estadístico- -----P-valor------
T de Student t 0 Pr > |t| 1.0000

Signo M 1 Pr >= |M| 0.8679
Puntuación con signo S 3.5 Pr >= |S| 0.9571
Tests para normalidad
Test --Estadístico-- -----P-valor------
Shapiro-Wilk #11 X 0.976057 Pr < W 0.6117

Kolmogorov-Smirnov D 0.10593 Pr > D >0.1500
Cramer-von Mises W-Sq 0.054415 Pr > W-Sq >0.2500
Anderson-Darling A-Sq 0.340337 Pr > A-Sq >0.2500
42
Cuantiles (Definición 5)
Cuantil Estimador
100% Máx 45.250

99% 45.250
95% 32.250
90% 24.500
75% Q3 18.125
50% Mediana 1.375
25% Q1 -15.500
Sistema SAS
Variable: resid
Cuantiles (Definición 5)
Cuantil Estimador
10% -29.750
5% -37.500
1% -60.750
0% Mín -60.750
Observaciones extremas
------Inferior------ ------Superior------
Valor Observación Valor Observación
-60.75 2 24.00 10
-37.50 25 24.50 27
-34.00 11 28.25 21
-29.75 8 32.25 6
-25.75 22 45.25 4
Stem Hoja # de caja

4 5 1 |
3 2 1 |
2 003448 6 |
1 026688 6 +-----+
0 02348 5 *--+--*
-0 7665544 7 | |
-1 74 2 +-----+
-2 6643 4 |
-3 840 3 |
-4 |
-5 |
-6 1 1 |
----+----+----+----+
Multiplicar Stem.Leaf por 10**+1
43
Sistema SAS
Variable: resid
Trazado de probablidad normal

45+ +++*
| +++*
| ****+* *
| *****+
| ***++
| *****
| +**+
| *+****
| *+*+
| ++++
|++++
-65+ *
+----+----+----+----+----+----+----+----+----+----+
-2 -1 0 +1 +2
PRUEBA DE HOMOGENEIDAD DE VARIANCIAS
Sistema SAS 1
Trazado def resid*dpred. Leyenda: A = 1 obs, B = 2 obs, etc.
„ƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒ†
50 ˆ A ˆ
‚ ‚
‚ A A ‚
‚ A C A A A B ‚
‚ A A A ‚
0 ˆƒƒƒƒƒƒƒƒAƒƒƒƒAƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒAƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒBƒƒƒƒƒƒƒƒƒAƒƒƒƒƒƒAƒƒƒƒƒAƒƒƒƒƒˆ
‚ A AA A ‚
resid ‚ A B ‚
‚ A AA A ‚
‚ A ‚
-50 ˆ ˆ
‚ A ‚
‚ ‚
‚ ‚
‚ ‚
-100 ˆ ˆ
ŠƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒŒ
40 60 80 100 120 140 160
dpred
TEST DE LEVENE
Sistema SAS
Procedimiento ANOVA
Información de nivel de clase
Clase Niveles Valores
trat 9 1 2 3 4 5 6 7 8 9
Número de observaciones leídas 36

Número de observaciones usadas 36
Sistema SAS
Procedimiento ANOVA
Variable dependiente: z
44
Suma de Cuadrado de
Fuente DF cuadrados la media F-Valor Pr > F
Modelo 8 1323.722222 165.465278 0.90 0.5289
Error 27 4953.250000 183.453704
Total correcto 35 6276.972222
R-cuadrado Coef Var Raiz MSE z Media
0.210885 74.32962 13.54451 18.22222
Cuadrado de
Fuente DF Anova SS la media F-Valor Pr > F
trat 8 1323.722222 165.465278 0.90 0.5289
PRUEBA DE LA DIFERENCIA MINIMA SIGNIFICATIVA (LSD)

Sistema SAS
Procedimiento GLM
Medias de cuadrados mínimos
tiempo Número
mat temp LSMEAN LSMEAN
1 15 134.750000 1
1 70 57.250000 2
1 125 57.500000 3
2 15 155.750000 4
2 70 119.750000 5
2 125 49.500000 6
3 15 144.000000 7
3 70 145.750000 8
3 125 85.500000 9
Aquí tenemos el primer valor es t y el de abajo es el valor de probabilidad para la H0 planteada. Por ej.
para un p=0.0002 se rechaza la igualdad de medias entre el tratamiento 1 (mat 1 temp 15) y el 2 Mat 1
temp 70).
45
Medias de cuadrados mínimos para el efecto mat*temp

t para H0: MediaLS(i)=MediaLS(j) / Pr > |t|
i/j 1 2 3 4 5 6 7 8 9
1 4.2179 4.204294 -1.14291 0.816368 4.63969 -0.50343 -0.59867 2.680408

0.0002 0.0003 0.2631 0.4214 <.0001 0.6187 0.5544 0.0124
2 -4.2179 -0.01361 -5.36082 -3.40153 0.42179 -4.72133 -4.81657 -1.53749
0.0002 0.9892 <.0001 0.0021 0.6765 <.0001 <.0001 0.1358
3 -4.20429 0.013606 -5.34721 -3.38793 0.435396 -4.70772 -4.80296 -1.52389
0.0003 0.9892 <.0001 0.0022 0.6667 <.0001 <.0001 0.1392
4 1.142915 5.360815 5.347209 1.959283 5.782605 0.639488 0.544245 3.823323
0.2631 <.0001 <.0001 0.0605 <.0001 0.5279 0.5907 0.0007
5 -0.81637 3.401533 3.387926 -1.95928 3.823323 -1.31979 -1.41504 1.86404
0.4214 0.0021 0.0022 0.0605 0.0007 0.1980 0.1685 0.0732
6 -4.63969 -0.42179 -0.4354 -5.78261 -3.82332 -5.14312 -5.23836 -1.95928
<.0001 0.6765 0.6667 <.0001 0.0007 <.0001 <.0001 0.0605
7 0.503427 4.721327 4.707721 -0.63949 1.319795 5.143117 -0.09524 3.183834
0.6187 <.0001 <.0001 0.5279 0.1980 <.0001 0.9248 0.0036
8 0.59867 4.81657 4.802964 -0.54425 1.415038 5.23836 0.095243 3.279077
0.5544 <.0001 <.0001 0.5907 0.1685 <.0001 0.9248 0.0029
9 -2.68041 1.537493 1.523887 -3.82332 -1.86404 1.959283 -3.18383 -3.27908
0.0124 0.1358 0.1392 0.0007 0.0732 0.0605 0.0036 0.0029
NOTA: Para asegurar un nivel de protección completo, sólo se deben usar probabilidades asociadas
con comparaciones preplanificadas .
BIBLIOGRAFÍA
Balzarini M.G., Gonzalez L., Tablada M., Casanoves F., Di Rienzo J.A., Robledo C.W.
(2008). Manual del Usuario INFOSTAT. Editorial Brujas, Córdoba, Argentina.
Little, R.; Freund, R.; Spector P.1993.SAS System for linear models. Third edition.329p.
Montgomery, Douglas.1993.Diseño y Análisis de Experimentos. Grupo editorial Ibero-

Americana. México.DF. 589p.
Perez, César.2001. Técnicas estadísticas con SPSS. Prentice Hall.571p.
Robles C. Y Gaillard de Benítez, Celia. 1988. Estadística experimental agrícola y forestal.

Apuntes de Cátedra.
46

SD 21 Estadistica

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

SD 21 Estadistica

Cargado por

Copyright:

Formatos disponibles

Serie Didáctica Nro.

Facultad de Ciencias Forestales

Prof. Titular Celia G. de BENITEZ

Ing. Celia Gaillard de Benítez

Ej: Dosis creciente de un fertilizante medida en kg del elemento por hectárea

En un experimento factorial los tratamientos surgen de la combinación de los niveles de

Tabla 1: Tratamientos en un factorial 2 x 2.

Tabla 2: Tratamientos de un factorial 2 x 3.

Niveles Niveles del

Efectos Principales. Efectos simples. Interacción

Tabla Nº 3: Resultados de un factorial 2 x 2 (cifras entre paréntesis)

Factor N Totales del

Gráfico 1: Interacción NP = 10 en los datos de la Tabla 3. (P en abcisas)

Se advierte en el gráfico que los segmentos de la recta que representan a N1 y N0 se cruzan.

Gráfico 2: Interacción NP = 10 en los datos de la Tabla 3. (N en abcisas)

Tabla Nº 4: Otros resultados de un factorial 2 x 2 (cifras entre paréntesis)

Factor N Totales del

Gráficamente se manifiesta de la siguiente manera: Interacción NP = 5-5 = 0

Gráfico 3: Interacción NP = 0 en los datos de la Tabla 4

Otra forma de interacción

Factor N Totales del

Los efectos simples de N en presencia o ausencia de P son:

Gráfico 4: Interacción NP = 7 en los datos de la Tabla 5

En el gráfico se nota que cuando se agrega nitrógeno(N1) el rendimiento aumenta en

Tabla Nº 6: Otros resultados de un factorial 2 x 2 (cifras entre paréntesis)

Factor N Totales del

Efecto simple de N en P1 = N1P1 - N0P1= 10-2 = 8

Gráfico 5: Interacción NP = 6 en los datos de la Tabla 6

Modelo estadístico: Las observaciones pueden describirse mediante un modelo estadístico

Y de la igualdad de los tratamientos de columna

También es importante probar si los tratamientos ( )ij de las celdas interaccionan

Sea el siguiente ejemplo donde se presentan a niveles de un factor A y b niveles de un

Ejemplo: Del libro de Douglas Montgomery “Diseño y Análisis de Experimentos”,

1)- ¿Qué efecto tienen el tipo de material y la Tº sobre la duración de la batería?

Tabla 7: duración en horas de baterías con 3 cubiertas distintas y sometidas a 3

Y••• es el total general de todas las observaciones

n Yij i=1,…, a ; j= 1,..., b

SCT = SCA+ SCB +SCAB +SCEE

Los Grados de Libertad Asociados a cada suma de cuadrados se presentan en la tabla 8.

Como se calculan las sumas de cuadrados:

Suma de Cuadrados de efectos principales

es conveniente obtener SCAB en 2 etapas. Primero se calcula la suma de cuadrados de los

La suma de cuadrados de las combinaciones incluye a las sumas de cuadrados de A, de B y

SCEE = 77.351,89 – 10.637,39 – 37.020,39 – 9.321,61 = 20.372,50

Los grados de libertad son:

Las esperanzas de los cuadrados medios son:

F. de Variación SC G de Lib. CM F Ftabla

Como auxiliar en la interpretación de los resultados de este experimento resulto útil la

Tabla 10: Medias por tratamiento de los datos de la tabla 7

Gráfico 6. Promedios de duración de los diferentes materiales en función de la Tº

El error estándar de estos promedios o medias de tratamientos es:

Ya que cada promedio se calcula mediante n = 4 observaciones

Duncan Δ0,05 (2,27)=2,91

Intervalos mínimos significativos entre medias de materiales para un nivel de Tº.

Diferencia Material 3 – Material 1 = 145,75 – 57,25 = 88,5 > 42,02 (D3)

Figura 1: Creación del archivo de datos para análisis del

Luego se crea una nueva columna que estará formada por la

Figura 2: Cruce de categorías con los niveles

Al aceptar queda creada la columna mat_temp.

Figura 3: Variable creada

Figura 4: Cambio de nombre

Figura 6. Indicaciones para realizar el

Para incorporar las interacciones al modelo, se hace clic en agregar interacciones y en el